本发明专利技术为一种基于频域稀疏成分分析的盲图像分离法。目前已提出的盲源分离算法中分离效果较好的独立成分分析法进行盲源分离的前提是源信号是非高斯分布且相互独立的,对于图像信号这类亚高斯信号,分离得不是很彻底。稀疏成分分析是近年来发展起来的一种新兴的盲源分离技术,它利用信号的稀疏特性提取源信号,取得了很好的分离效果。对于不满足稀疏度条件的图像信号,无法运用传统稀疏成分分析模型来分离。本发明专利技术结合图像在频域空间稀疏的特性,利用小波变换等稀疏化算法将图像从空域转化到频域,在频域引入稀疏成分分析模型,提出基于线性聚类稀疏成分分析的混合矩阵估计法和源信号估计法,进而提取源图像。试验证明本发明专利技术方法分离精度可达100%,优于其它分离方法。
【技术实现步骤摘要】
本专利技术属于盲源分离
,具体涉及一种基于频域稀疏成分分析的盲图像分罔法。
技术介绍
盲源分离技术是信号处理领域的一个活跃分支。它是指在既不知道源信号的分 布,又不知道源信号的混合模型的情况下,仅利用一组已获取的混合信号(由源信号混合 而成),来恢复或提取源信号。盲源分离已被应用在很多领域,如生物医学图像信号处理、语 音信号处理、图像恢复和理解等(参考对比文件1)。图像盲分离是盲源分离的一种,只不过参与盲分离的信号是图像信号而已。一般 的盲源分离法都可用于图像盲分离。目前已提出的盲源分离算法,如信息最大化(Informax)算法、互信息最小(MMI) 算法、最大似然(ML)算法等,都是建立在优化目标函数极值的基础上,在优化过程中需要 进行大量的迭代,计算复杂度比较高(参考对比文件2)。应用较为广泛的独立成分分析法 (Independent Component Analysis, ICA)进行盲源分离的前提是源信号是非高斯分布且 相互独立的,对于图像信号这类亚高斯信号,分离得不是很彻底。因而,迫切需要一种新的 方法来解决图像信号盲源分离问题(参考对比文件3)。稀疏成分分析是近年来发展起来的一种新兴的盲源分离技术,它利用信号的稀疏 特性提取源信号,取得了很好的分离效果(参考对比文件4)。实际应用中,很多信号也都满 足稀疏的特性,如语音信号、脑电信号等。然而,对于不满足稀疏度条件的图像信号,无法运 用稀疏成分分析模型来分离(参考对比文件5)。本专利技术提出了频域稀疏成分分析法,将图像从空域转化到频域,结合频域中高频 部分稀疏的特性,提出线性聚类稀疏成分分析混合矩阵估计法用于估计混合矩阵,混合矩 阵估计出来后,再返回空域,利用线性聚类稀疏成分分析源信号估计法提取源信号。在忽略 源信号缩放的情况下,分离精度达到100%。对比文件1 徐先峰,冯大政.一种充分利用变量结构的解卷积混合盲源分离新方 法·电子学报.2009,(1) 112-131对比文件2 柴娟芳,司锡才,张雯雯等.基于伪信噪比最大化的盲源分离算 法.系统工程与电子技术.2008,30(12) =2385-2388对比文件3:姚伏天,金连甫,戴光.基于核独立成分分析的盲源信号分离.计 算机工程与应用· 2004,(6) :44-46 对比文件 4 :Υ· Li,S. Amari,A. Cichocki at el.. Underdetermined Blind Source Separation Based on SparseRepresentation. IEEE Transactions On Signal Processing. 2006,54(2) 423-437对比文 # 5 :P. G. Georgiev, F. J. Theis, A. Cichocki. Blind source separation and sparse component analysis ofovercomplete mixtures, in Proceedings of International Conference on Acoustics, Speech, and SignalProcessing(ICASSP2004). Montreal, Canada, 2004 :493_496
技术实现思路
本专利技术针对目前已提出的盲源分离法分离结果不彻底,分离精度不高的缺陷,提 出了一种频域稀疏成分分析的盲图像分离法。结合图像高频部分稀疏的特性,对传统稀疏 成分分析模型加以改进,提出线性聚类的稀疏成分分析,并分两步在不同的空间分别实现 对混合矩阵的估计和源信号矩阵的估计。首先在频域中,利用线性聚类稀疏成分分析混合 矩阵估计法估计混合矩阵,再返回空域,利用线性聚类稀疏成分分析源信号估计法提取源 图像。其中线性聚类的稀疏成分分析的特征在于对于稀疏度为m-1的完备集,混合信 号列向量沿着混合矩阵列向量方向线性聚类,聚类类别数即为混合矩阵列向量的个数。假设j时刻源信号矩阵S中只有第i个源信号不为0,S卩Ift ”丨,.^jx(:,j) =S(i,j)XA(,j),X(:,j)与A(:,j)共线。可知,所有满足S(i,j)兴0的列与混合矩阵列 向量A(:,j)共线。混合信号线性聚类中心的方向决定混合矩阵A列向量方向,混合矩阵 A的列数即为混合向量沿线性方向聚类的类别数。其中线性聚类的稀疏成分分析混合矩阵估计法的特征在于根据混合信号各列 向量间的夹角的余弦值是否为1的准则将混合信号各列向量进行聚类,所得聚类中心为 即为列混合矩阵。对于混合信号的任意两个列向量x(:,i)禾PX(:,j),设Λ=ΑΧν_)、 B = X(:,j) JiJ X ( ,i) e θ (k),X( , j) e θ (k)当且仅当 X(:,i)和 X(:,j)共线,即-- ABeGS(A,5) = 一δ" =1。通过这种方法,将X矩阵的所有列向量聚类,如果某类别的聚类点 AxB个数小于阈值α (α表示每一类别列向量的最少个数),将该类别剔除。对每一类θ (k)kχ +χ +... + χ=1,2…m,假设其包括Ck个元素^^ χ,其聚类中心向量Mi=^-^。C1 'C2Ck 1^fc通过这种方法计算出的聚类中心向量的方向就是混合矩阵的列向量方向,在允许源信号缩 放的情况下有混混合矩阵A = M0其中线性聚类的稀疏成分分析源信号估计法的特征是根据混合信号列向量与 混合矩阵各列的共线与否来选择参与计算的混合矩阵列数。对于混合信号矩阵的每一列 Χ(,j) (j = 1,2…Τ),遍历混合矩阵的每一列A(:,i) (i = 1,2,…,11),如果父(,j)与 A(:,i)共线,即 X(:,j) = λΑ(:,i),则,,.,如果找不到与Χ(,j)共线的 A(:,i)(i = 1,2,…,n),则S(:,j) =A_1XX(:,j)。其中在频域中利用线性聚类的稀疏成分分析混合矩阵估计法估计混合矩阵的特 征在于混合矩阵A的计算不是在混合图像所在的空域,而是先将混合图像经过一定的变 换后,得到它们的频谱函数统计特征。在该频率空间中利用线性聚类的稀疏成分分析混合 矩阵估计法估计混合矩阵。其中返回空域,利用线性聚类的稀疏成分分析源信号估计法提取源图像的特征 是源图像的提取不是在变换后的频域空间,而是在原始的空域。即利用线性聚类的稀疏成 分分析源信号估计法提取源图像时用到的混合图像信号是原始的空域中的图像信号。附图说明图1是从网上下载的图像处理中常用到的经典图像=Iena图像和cameraman图像。图2是线性混合后的混合图像。图3是混合图像从空域转化到频域后的图像。图4是频域稀疏成分分析(本专利技术提出的方法)分离结果。图5是FAST-ICA(经典的盲源分离法)分离结果。图6是本专利技术提出的方法和FAST-ICA法分离结果相关系数分析结果对比。图7是本专利技术的整体流程图。具体实施例方式本专利技术提出的一种基于频域稀疏成分分析的盲图像分离法,具体步骤如下为了 能用稀疏成分分析模型进行盲图像分离,首先对各混合图像进行频域变换,在频域中利用 线性聚类的稀疏成分分析混合矩阵估计法估计混合矩阵,混合矩阵求解出来后,再返回空 域本文档来自技高网...
【技术保护点】
一种基于频域稀疏成分分析的盲图像分离法,其特征在于在频域中利用线性聚类的稀疏成分分析混合矩阵估计法估计混合矩阵,混合矩阵估计出来后,再返回空域,利用线性聚类的稀疏成分分析源信号估计法提取源图像。
【技术特征摘要】
【专利技术属性】
技术研发人员:余先川,曹婷婷,胡丹,
申请(专利权)人:北京师范大学,
类型:发明
国别省市:11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。